Elon Musk’s AI startup, xAI, has raised $6 billion in a new funding round, it said today, in one of the largest deals in the red-hot nascent space, as he…
大手SIerにてSalesforceビジネス推進/プリセールスエンジニア/Evangelist業務を担当。 所有資格:Salesforce.com認定 SalesCloud/ServiceCloud/Pardotコンサルタント、 著書:IPv4アドレス枯渇対策とIPv6導入
第35回 : 適応するインターフェースの本質 掲載日:2007年3月28日 記事で紹介するURLおよびリンク先の内容は変更されていることがあります。ご了承ください。 すでに出来上がっているユーザー・インターフェースをさらに使いやすくするにはどうしたら良いだろう、と考えるといろいろなアイディアが出てくる。 よくあるアイディアに、「自分が使わない機能は無駄だから消して、それを使うためのボタンなどを画面から消してしまえばよい」というものがある。このアイディアには確かに一理あって、使わないボタンなど無い方が、画面のスペースは有効活用できるわけだ。よく使う機能のボタンを大きくして、わかりやすい位置に配置したりもできるようになるだろう。しかし、今使わない機能のすべてが将来にわたって不要かというと、それはなかなか微妙である。また、それら機能やボタンを見えないようにするのは誰か、という別の問題も出
"集合知プログラミング" という本が出たらしい. 私の積読には元本の "Programming Collective Intelligence" があって, 途中まで読んだまま放置していたら日本語訳が出てしまった. (オライリーのアンチパターンと命名.) 悔しいので本は処分. そのうち日本語版で続きを読もう.... 興味を持っていたのは推薦エンジン(協調フィルタ)だった. 私の中では検索エンジンに匹敵するウェブのハイテクという位置付けなんだけど, 草の根には普及しておらず悲しい. 検索エンジンでの Hyper Estraier や senna に相当する協調フィルタの立ち位置は デッドヒートが予想される...とだいぶ前から思ってるんだけど, いまのところ閑古鳥気味. まったく, 出し抜くだけの実力があればなあ. 先の皇帝ペンギン本では, 一章にさっそく協調フィルタが登場する. 読んでみると
デジタルサイネージネットワーク推進協議会は3月23日、総務省のICT先進実証実験事業プロジェクトの1つである「通信・放送の融合・連携時代に対応した次世代デジタルサイネージモデルの確立」に向けた実証実験の成果を発表した。 同協議会は、NTTコミュニケーションズ(NTT Com)とNTTドコモ、UQコミュニケーションズ、ネクストウェーブ、デジタルサイネージコンソーシアム(DSC)、エフエム東京、博報堂の7社で構成。(1)デジタルサイネージのネットワーク化、(2)デジタルサイネージネットワークを流通するコンテンツ形式の汎用化、(3)デジタルサイネージと携帯端末との連動によるコンテンツ配信およびその評価について、2009年から実証実験を実施している。 今回の記者発表会では、NTT ComとNTTドコモ、UQコミュニケーションズの3社が実証実験の成果を公開した。 NTTドコモは、半径数十m程度の範囲
先週は言語処理学会の全国大会に参加してきたのですが、チュートリアル「推薦システム -機械学習の視点から-」で紹介されていた行列分解に興味が湧いたので実装しようと奮闘中です。とりあえず行列いじりの練習に、手元の本に説明があるNMF(Non-negative matrix factorization)を実装してみました。参考にした書籍は「Rで学ぶクラスタ解析」と「集合知プログラミング」です。 NMFはn×mの行列をn×k, k×mの2行列の積に分解する手法で、分解後の行列はクラスタリング結果としても利用できます。例えば文書の特徴をbag-of-wordsで表した文書-単語行列を分解すると、文書の各クラスタへの重要度を表す行列と、特徴語の各クラスタへの重要度を表す行列が出力されます。より詳しくは前述の書籍をご参照下さい。 作成したコードは以下の場所に置いてあります(汎用性のないコードだなぁ…)。
追ってそれぞれについてメモや感想などをほぼ講演と同時にupしていこうと思います。 1000で40人くらい。はじまりました。男性率100%。 1020で60人くらい。 1311で70人くらい。男性率100%回避。 1400で90人くらい。 1500で90人くらい。これで安定化かな。 1615で80人くらい。 SBM研究会は3回目ですが、今までで最も技術よりの会だったかなぁ。 個人的には来て良かったと思ったのは、岡野原さん、malaさん、江原さんの講演でした。 第3回SBM研究会のスケジュールがFIXしました!: Tomo’s HotLine 日時:2009年9月13日(日) 10:00〜18:00 場所:東工大大岡山キャンパス 西6号館 W631 Twitter用公式アカウント: http://twitter.com/sbm3/ Twitter用公式ハッシュタグ: #sbmconf http
「パーソナル・コンピュータ」の概念を提唱したとして知られるアラン・ケイ氏に会う機会を得た。パソコンの未来を語る同氏の熱弁ぶりは健在だ。ムーアの法則に従い、半導体技術が3万倍に進歩したにも関わらず、ユーザーの実感としてコンピュータ・システムの性能向上はわずか50倍にすぎないと憂える。コンピュータ・アーキテクチャの進むべき方向性について、同氏の鋭い分析と将来の夢を3回のインタビュー連載でお届けする。 (聞き手=ITpro発行人 浅見直樹,写真=栗原克己) ―― コンピュータ技術の進歩にはめざましいものがありますが。 果たして、そうだろうか。必ずしも進歩していない部分もある。例えば、メモリのデータ転送速度はさほど高速化していない。また、マイクロプロセサも依然としてシングル・プロセサのアーキテクチャから脱却していない。これは、技術的な問題というよりも、コンピュータ・ベンダーが大きな変化を望んで
私の一番のmotivationはこのセッションでした。 11:00〜11:50 講師: 岡野原 大輔さん(blog, twitter) 所属:株式会社プリファードインフラストラクチャー(PFI)特別研究員, 東京大学辻井研, 辻井研の論文 講演タイトル:SBMの推薦アルゴリズム 〜はてなブックマークのレコメンド(関連エントリ)の仕組み〜 資料upあり videoあり rf. はてなおやさんの資料 講演概要 本発表では、SBMの推薦アルゴリズムにおける精度、処理性能向上のための手法を最新の研究成果も含めて解説する。また、実例として、はてなブックマークにおける「関連エントリ」を弊社のシステムがどのように実現しているかを解説する。 以下は私のメモです。 PFIはもともとPurely Functional Infrastructureやったんや 岡野原さんではないが、(大田さんかな)Haskell
この前YAPC Asia 2009に参加してきたのですが、そこで「はてなブックマークのシステムについて」の発表の中で、「はてブの関連エントリはBayesian Setsを使って計算されている」という話を聞いてBayesian Setsに俄然興味が湧いてきました。Bayesian Setsは以前論文だけ少し読んで、あまりよく分からないまま放置していたのですが、せっかくなのでPerlで作って試してみました。 Bayesian Setsについて詳しくは、以下のリンク先の資料をご参照下さい。 Bayesian Setsの論文 Bayesian Setsの詳しい説明記事 bsets, The Bayesian Sets algorithm. (Matlabのコード) 実際に作成したコードは以下の通りです。上記のMatlabのコードを参考にさせていただいています。 #!/usr/bin/perl #
米国のオンラインDVDレンタルサービス「Netflix」が、現在利用しているレコメンデーションシステムの性能をはじめに10%改善したチームに100万ドルの賞金を与えるという触れ込みで始まったnetflix prizeは当初の予想よりも時間がかかったが、つい最近最初からトップを走り続けていたbellkorと、上位陣のコラボレーションのチームが10%の壁を破った(leaderboard)。 彼らの手法は「非常に多くの様々な種類のレコメンデーションシステムの結果を混ぜ合わせる」という愚直だがいかにも精度が出そうだという方法を採用している(、と昨年度の結果からは思われる。近々詳細は出るだろう。) 実際に使ってとどめになったかどうかは分からないが、彼らのチームの主要メンバーがKDDで新しい手法を発表しており、単一の手法による最高精度を達成している。ちなみに今年のKDD(データマイニング系の学会の最高
インターネットの発達や放送のデジタル化の進展はコンテンツの多様化をもたらした反面、情報の洪水という現象を加速させている。また、フラッシュメモリーなどの小型大容量メモリーの発展は"ウォークマン"などの携帯音楽機器で数百〜数千曲の楽曲を簡単に持ち歩くことを可能とした。しかし、ユーザーは欲しいコンテンツを大量の情報の中から探さなくてはならず、視聴したいコンテンツを簡単に探せる機能や、シャッフル再生に代わる新しい楽しみ方が求められている。 これらを解決する手段としてソニーはコンテンツ推薦・検索技術に90年代から取り組んできた。研究開発の成果の一部は2001年頃からソニーの製品、サービスに搭載されはじめている。ソニーは長年培ってきた認識技術やAI技術をベースに、ハードウェア自身が再生しているコンテンツの内容やユーザーの好みを把握することで、今までにない新しい体験をユーザーに提供したいと考えている。
先日、全体ゼミで発表したときの内容ですが、ここにまとめときます。。GoogleNewsのレコメンドの中身を追った論文の要約です。少し前の全体ゼミで用いた資料です。ソース:Abhinandan Das,Mayur Datar,Ashutosh Garg,Shyam Rajaram,"Google News Personalization: Scalable OnlineCollaborative Filtering",WWW2007不勉強な個所が多々ありますので、誤っている箇所等ありましたら、是非ご指摘ください。 個人的には、最近のモデルベースの手法の勉強・おさらいという意味で用いているので、GoogleNews独自の拡張なり実装の部分の内容が省かれている場合があります。また、データ構造やMapReduceを用いた計算の仕組みの部分は、ここでは省略しています。。一応、 全体像 ・LSH(Lo
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く